.png){kind=icon}
返回
Predicting Student Performance and Enhancing Learning Outcomes: A Data-Driven Approach Using Educational Data Mining Techniques
.png){kind=icon}
OA
AI
DOI：10.3390/computers14030083.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了教育数据挖掘（EDM）技术在预测学生表现及提升高等教育学习成果中的应用。利用广泛使用的课程管理系统（LMS）Moodle的数据，我们分析了450名学生在九个学期内的学业记录。应用了五种机器学习算法——k-近邻（kNN）、随机森林、逻辑回归、决策树和神经网络——以识别课程间的相关性并预测成绩。结果表明，具有强相关性（+0.3及以上）的课程显著提高了预测精度，尤其是在二元分类任务中。kNN和神经网络表现出最强的模型稳健性，其F1分数超过0.8。这些发现强调了EDM优化教学策略和支持个性化学习路径的潜力。本研究为有效应用数据驱动方法以改善教育成果、促进学生成功提供了见解。
Keyword:
Moodle
learning management system (LMS)
educational data mining (EDM)
synchronous and asynchronous learning
student engagement
personalized learning
higher education
machine learning algorithms
online learning platforms
期刊
C
IF:
4.2
论文数:
1.5K
被引数:
3.3K
机构
暂无机构信息
引用论文
IMPLEMENTATION OF K-NEAREST NEIGHBOUR (KNN) ALGORITHM TO PREDICT STUDENT’S PERFORMANCEK-近邻（KNN）算法在预测学生表现中的应用OAAI
.png){kind=icon}
OAAI分享收藏Academic data derived from a university e-government analytic platform: An educational data mining approach来自大学电子政务分析平台的教育数据：一种教育数据挖掘方法
OAAI
OAAI分享收藏Smart devices, smart environments, smart students - A review on educational opportunities in virtual and augmented reality learning environments智能设备、智能环境、智能学生——虚拟与增强现实学习环境中的教育机会综述
PREAI
分享收藏Predicting Computer Science Student's Performance using Logistic Regression使用Logistic Regression预测计算机科学学生表现
PREAI
分享收藏DATA ANALYSIS OF STUDENT PERFORMANCE ON DATABASE COURSE USING ORANGE DATA MINING SOFTWARE使用Orange数据挖掘软件进行数据库课程学生成绩的数据分析
PREAI
分享收藏Newly Proposed Student Performance Indicators Based on Learning Analytics for Continuous Monitoring in Learning Management Systems基于学习分析提出的新型学生绩效指标，用于学习管理系统中持续监测OAAI
OAAI分享收藏
查看更多内容